[論文レビュー] Detailed delineation of the fetal brain in diffusion MRI via multi-task learning

Davood Karimi, Camilo Calixto+7 more|arXiv (Cornell University)|Aug 26, 2024

Advanced Neuroimaging Techniques and ApplicationsMedicine被引用数 3

ひとこと要約

本研究では、拡散MRIにおいて胎児脳組織、白質線条、皮質・皮質下構造を一括して自動的にセグメンテーションするマルチタスク深層学習フレームワークを提案する。この手法は高い精度を達成し、平均Diceスコアは組織分類で0.865、線条分類で0.825、パラセレーションで0.819を記録した。低品質な胎児dMRIデータの再現性があり迅速な解析を可能にし、胎児神経画像診断および結合行動研究の発展に貢献する。

ABSTRACT

Diffusion-weighted MRI is increasingly used to study the normal and abnormal development of fetal brain in-utero. Recent studies have shown that dMRI can offer invaluable insights into the neurodevelopmental processes in the fetal stage. However, because of the low data quality and rapid brain development, reliable analysis of fetal dMRI data requires dedicated computational methods that are currently unavailable. The lack of automated methods for fast, accurate, and reproducible data analysis has seriously limited our ability to tap the potential of fetal brain dMRI for medical and scientific applications. In this work, we developed and validated a unified computational framework to (1) segment the brain tissue into white matter, cortical/subcortical gray matter, and cerebrospinal fluid, (2) segment 31 distinct white matter tracts, and (3) parcellate the brain's cortex and delineate the deep gray nuclei and white matter structures into 96 anatomically meaningful regions. We utilized a set of manual, semi-automatic, and automatic approaches to annotate 97 fetal brains. Using these labels, we developed and validated a multi-task deep learning method to perform the three computations. Our evaluations show that the new method can accurately carry out all three tasks, achieving a mean Dice similarity coefficient of 0.865 on tissue segmentation, 0.825 on white matter tract segmentation, and 0.819 on parcellation. The proposed method can greatly advance the field of fetal neuroimaging as it can lead to substantial improvements in fetal brain tractography, tract-specific analysis, and structural connectivity assessment.

研究の動機と目的

• 低品質で急速に発達する胎児拡散MRI（dMRI）データを分析するための自動的かつ信頼性の高い計算手法の不足に対処すること。
• 組織セグメンテーション、白質線条セグメンテーション、皮質・皮質下パラセレーションという3つの独立的だが関連するタスクを同時に実行可能な統合的深層学習フレームワークの開発。
• 胎児dMRIにおけるデータ不足とラベル付けの難しさを克服するため、多タスク学習を活用してモデルの汎化性能と性能を向上させること。
• トラクトグラフィーや構造的結合性評価、神経発達研究のため、胎児dMRIの正確で再現性があり迅速な処理を可能にすること。

提案手法

• 共有エンコーダとタスク固有のヘッドを備えたマルチタスク深層学習モデルを用い、同時に組織セグメンテーション、白質線条セグメンテーション、皮質パラセレーションを実行するように訓練した。
• 複数の胎齢における手動・準自動・自動ラベリングを施した97例の胎児脳画像を用いたデータセットでモデルを学習した。
• タスク固有の損失関数を学習可能なタスク重みを用いて組み合わせ、各タスクの不確実性をバランスさせながら、3つのタスク全体の性能最適化を図った。
• 低SNRと胎児dMRIにおける解剖的可変性に対応するため、マルチスケール特徴を活用したU-Netベースのアーキテクチャを採用した。
• 画像強度の変動や運動アーチファクトに対する耐性を高めるために、データ増強と正規化技術をモデル学習に組み込んだ。
• 定量的指標（Dice類似係数）と熟練者による視覚的評価（解剖的ランドマークを基準に）を用いて、手法の妥当性を検証した。

実験結果

リサーチクエスチョン

• RQ1 1つの深層学習モデルが、拡散MRIにおける胎児脳組織、白質線条、皮質領域の高精度なセグメンテーションを達成できるか？
• RQ2 限られたデータとノイジーなデータで学習する際、多タスク学習は胎児dMRIセグメンテーションの性能をどのように向上させるか？
• RQ3 急速な脳発達と低品質な画像にもかかわらず、モデルは胎齢に跨ってどれほど一般化できるか？
• RQ4 成人や胎児の構造的MRIに用いられる既存手法と比較して、本モデルのパラセレーションおよび線条セグメンテーション性能はどの程度優れているか？
• RQ5 特にラベルがノイジーまたは一貫性のない領域において、モデルのセグメンテーション精度が訓練ラベルを上回る可能性はあるか？

主な発見

• 提案されたマルチタスク学習モデルは、組織セグメンテーションにおいて平均Dice類似係数0.865を達成し、主な脳組織タイプ（白質、境界状体、灰色核、脳脊髄液）の分類において高い正確性を示した。
• 白質線条セグメンテーションでは、平均Diceスコア0.825を達成し、低品質な画像と運動アーチファクトにもかかわらず、31本の複雑な線条を信頼性高く区別できた。
• パラセレーションタスクでは平均Diceスコア0.819を達成し、熟練者によるレビューにより、予測結果が訓練ラベルに存在する局所的な誤差を是正していることが確認された。
• モデルはラベルノイズに対して頑健であり、一部のケースでは元の訓練ラベルよりも解剖学的に整合性のとれたセグメンテーションを生成した。
• タスク重みは学習中に自動的に最適化され、線条ラベル同士に排他的性が欠けることから、線条セグメンテーションタスクの不確実性が組織およびパラセレーションタスクよりも高いことを示した。
• 本手法により、胎児dMRIの自動的かつ迅速で再現性のある処理が可能となり、発達および臨床的研究における胎児神経画像診断の発展が著しく進んだ。